Matlab中的SVM :函数拟合中参数“盒约束”的含义

Question

我对Matlab中的SVMs很陌生，需要一些帮助。

我想使用统计工具箱的内置函数fitcsvm来训练支持向量机。当然，有许多参数选择控制如何训练支持向量机。

Matlab的帮助是关于参数如何保存更好的训练结果的一点工资。特别是参数‘盒对比’似乎对选择的支持向量数和泛化质量有着重要的影响。

帮助(z4-1)说

一种参数，用于控制对违反保证金的观察施加的最大惩罚，并有助于防止过度拟合(正则化)。 如果增加了框约束，那么SVM分类器就会分配较少的支持向量。然而，增加盒约束会导致更长的训练时间。

这个参数究竟是如何使用的？它是相同的，还是类似于维基百科引用中的软边际因子C？还是完全不同的东西？

谢谢你的帮助。

Answer 1

你绝对走对了路。虽然fitcsvm文档中的描述非常简短(如您在问题中发布的那样)，但是您应该看看MATLAB文档中的理解支持向量机站点。

在不可分离的情况下(通常称为软边缘支持向量机)，允许错误分类，代价是惩罚因子C。然后，支持向量机的数学公式变成：

​

​

对于松弛变量s_i，它产生了一个由C加权的惩罚项。使C变大会增加错误分类的权重，从而导致更严格的分离。这个因子C被称为box约束。这个名字的原因是，在对偶优化问题的公式中，朗朗日乘子是有界的，在范围[0,C]内。因此，C对拉格朗日乘子提出了一个盒子约束。

；博士--你的猜测是对的，这是软保证金支持向量机中的C。